ARTICLEINFO
ABSTRAK
Kata kunci:
Keseimbangan lini Tren saat ini, seperti permintaan pelanggan untuk produk individu dan siklus hidup produk yang lebih pendek,
perakitan Fleksibilitas ditangani oleh perusahaan melalui lebih banyak variasi produk dan varian. Berkenaan dengan keseimbangan jalur
Perubahan sistem perakitan aliran, bagaimanapun, penyesuaian terkait dengan investasi tinggi, yang membutuhkan
Pengoptimalan multi-tujuan pendekatan perencanaan baru untuk keseimbangan jalur perakitan. Pendekatan yang ada tidak
mempertimbangkan realokasi tugas perakitan atau dimensi fleksibilitas yang melekat pada sistem dan
kemampuan berubah sesuai dengan persyaratan. Selain itu, mereka mengabaikan ketidakpastian situasi pasar di
masa depan. Pendekatan yang diusulkan bertujuan untuk mengoptimalkan keseimbangan jalur sistem perakitan
aliran, dengan mempertimbangkan kebutuhan potensial untuk adaptasi untuk memenuhi lingkungan
perencanaan yang tidak pasti ini. Untuk tujuan ini, pertukaran biaya yang terjadi serta fleksibilitas dan perubahan
sistem difokuskan. Berdasarkan skenario, potensi komposisi masa depan dari campuran varian diselidiki dan
implikasi yang dihasilkan untuk sistem perakitan diturunkan. Dengan menerapkan pendekatan ini,
penyeimbangan jalur perakitan yang dapat disesuaikan dihasilkan dengan melakukan pengoptimalan linier
bilangan bulat campuran. Karena evaluasi dan identifikasi kecukupan tunduk pada faktor subjektif, beberapa
solusi yang berpotensi memadai dihasilkan, yang berbeda dalam hal biaya, fleksibilitas, dan kemampuan
berubah. Hasil dari pendekatan yang disajikan adalah bagian depan konfigurasi penyeimbangan jalur perakitan
optimal pareto. Untuk menunjukkan penerapan praktisnya, kasus penggunaan dalam penyeimbangan jalur
perakitan otomotif disajikan.
1. pengantar
over atau under menyesuaikan sistem produksi untuk memenuhi
Lingkungan produksi industri saat ini dicirikan oleh berbagai tren permintaan pelanggan. Untuk mengurangi risiko tersebut, sistem
besar, termasuk peningkatan permintaan pelanggan untuk produk produksi dapat dirancang sedemikian rupa sehingga opsi untuk dengan
individual [1]. Strategi yang sering digunakan untuk menanggapi mudah mengubah sistem produksi terintegrasi. Karena perubahan
permintaan pasar ini adalah dengan meningkatkan variasi produk dan membutuhkan usaha dalam peralatan, tenaga, pengetahuan dan waktu
varian [2]. Akibatnya, tekanan untuk pengembangan produk baru dan [9], perubahan harus dijaga pada batas yang wajar.
lebih lanjut semakin meningkat, menghasilkan siklus hidup produk Perakitan otomotif biasanya diatur dalam bentuk jalur perakitan
yang lebih pendek [3]. Apalagi, hal itu diperkuat dengan regulasi, aliran varian [10], di mana perubahan merupakan tantangan yang
seperti subsidi atau ambang batas emisi untuk industri otomotif. signifikan. Dalam bentuk organisasi ini, tugas perakitan dilakukan di
Portofolio produk yang diperbesar dan dinamika yang meningkat stasiun yang saling terkait dalam waktu siklus tertentu [11]. Proses
dalam permintaan pelanggan mengarah pada kondisi pasar yang perencanaan untuk menetapkan tugas perakitan ke stasiun perakitan
dapat dianggap menantang bagi perusahaan industri [4]. Namun, disebut sebagai penyeimbangan jalur perakitan [12]. Pertimbangan
untuk menyesuaikan program produksi perusahaan, sering kali berbagai varian produk sebagian besar diwujudkan dengan
diperlukan perubahan yang sesuai dalam sistem produksi. Perubahan penggunaan campuran varian rata-rata [12]. Perubahan dalam
ini mungkin termasuk peralatan produksi, logistik atau organisasi campuran varian ini hampir tidak dapat bereaksi setelah
kerja dan mengakibatkan biaya yang sesuai, yang juga tunduk pada penyeimbangan jalur perakitan telah ditentukan [13].
frekuensi perubahan. Untuk memprediksi fluktuasi permintaan model Keseimbangan jalur dari jalur perakitan aliran varian operasi akan
yang berbeda tersedia [5,6]. Karena masa depan tidak dapat dirancang di bawah premis untuk memberikan efisiensi tinggi dan
diketahui, tingkat ketidakpastian tertentu tetap ada [7]. Karakteristik karenanya keuntungan ekonomi [14]. Namun, cadangan kapasitas,
yang melekat pada ketidakpastian adalah bahwa hal itu mengarah seperti stasiun perakitan tambahan atau waktu siklus yang
pada risiko [8], dalam hal ini risiko finansial diperpanjang untuk mengatasi fluktuasi permintaan secara preventif,
mengurangi efisiensi ekonomi jalur perakitan [15]. Ini mengarah pada
tantangan merancang file
⁎
Penulis yang sesuai.
E-MAIL ALAMAT: johannes.fisel@kit.edu (J. Fisel), ni c ol e. s t ri c ke r @ k it .e du (N. Stricker).
https://doi.org/10.1016/j.jmsy.2019.09.012
Diterima 2 April 2019; Diterima dalam bentuk revisi 22 September 2019; Diterima 23 September 2019
0278-6125 / © 2019TheSocietyofManufacturingEngineers.PublishedbyElsevier Ltd.
Allrightsreserved.
J. F i sel , e t JournalofManufacturingSystem
AL. s53(2019)150–158
penyeimbangan jalur perakitan menjadi sangat efisien, tetapi juga operasi yang berhubungan [40], pemisahan menjadi stasiun yang
mempertahankan cadangan kapasitas yang memadai untuk sangat fleksibel dan tidak fleksibel [41], serta definisi batas atas
menyesuaikan jalur perakitan dengan persyaratan yang berubah absolut dan relatif dari operasi berfluktuasi spesifik-varian per stasiun
seperti fluktuasi campuran varian. Kemampuan untuk beradaptasi pertemuan [42]. Namun, efek ketergantungan stokastik dari tugas
dengan persyaratan yang berubah dijelaskan oleh berbagai istilah perakitan pada waktu pemrosesan agregat di tempat kerja tidak
dalam literatur seperti kemampuan berubah [9] atau rekonfigurasi secara eksplisit dimodelkan dengan pendekatan apa pun.
[16], sedangkan istilah fleksibilitas berfokus pada mempertahankan Desain perubahan konfigurasi penyeimbangan jalur perakitan
kemampuan untuk produksi di bawah pengaruh yang berfluktuasi biasanya berfokus pada realokasi tugas perakitan. Altemeier
[17]. Pendekatan baru menangani tantangan penyeimbangan garis [40] menjelaskan pendekatan untuk mengkonfigurasi ulang sistem
yang disajikan dari jalur perakitan aliran varian dengan perakitan aliran dengan mengalokasikan ulang tugas berdasarkan
memperkenalkan model untuk pengoptimalan biaya yang korelasi negatif dari tugas yang terpengaruh. Evaluasi operasi
terintegrasi, kemampuan berubah, dan fleksibilitas terkait skenario realokasi potensial dilakukan selanjutnya oleh perkiraan ahli,
campuran varian di masa mendatang. Karakteristik fleksibilitas berdasarkan model sumber daya operasi yang tidak bergerak.
dengan ini menggambarkan desain balancing jalur perakitan, yang Pendekatan kuantitatif untuk evaluasi realokasi juga dapat
mampu mempertahankan produksi dalam tingkat fluktuasi kebutuhan diidentifikasi. Makssoud et al. [43] mengevaluasi keefektifan
tertentu tanpa perlu penyesuaian. Lebih lanjut, perubahan konfigurasi perubahan keseimbangan jalur perakitan berdasarkan jumlah
penyeimbangan garis berkaitan dengan realokasi organisasi dan fisik realokasi operasi. Gamberini dkk. [44,45] mengusulkan pendekatan
dari tugas perakitan, termasuk peralatan perakitan. Sisa makalah ini yang sebanding dengan mengevaluasi keseimbangan jalur perakitan
disusun sebagai berikut. Di bagian2, tinjauan pustaka disajikan. sebelum dan sesudah kemungkinan perubahan dengan menerapkan
Bagian3 dikhususkan untuk program linier integer campuran yang indeks kesamaan. Yang et al.
diterapkan untuk mendapatkan konfigurasi penyeimbangan garis [38] Menimbang biaya realokasi dengan waktu pemrosesan gabungan
yang dapat diubah dan fleksibel. Selain itu, evaluasi fleksibilitas dan dari tugas perakitan yang akan dialihkan serta biaya rekualifikasi
kemampuan berubah disajikan. Di bagian4, hasil komputasi disajikan. karyawan. Pemilihan peralatan manufaktur yang sesuai untuk
Akhirnya hasil ini dibahas di Bagian5. penyeimbangan jalur perakitan yang dapat diubah dapat ditentukan
dengan menilai peralatan dalam dimensi biaya, fleksibilitas, dan
2. Tinjauan Literatur kecepatan produksi [46].
Sebagai kesimpulan, dapat dinyatakan bahwa pendekatan tunggal
Penyeimbangan jalur perakitan memiliki relevansi praktis yang tinggi untuk konsep fleksibilitas dan kemampuan perubahan
dalam produksi industri. Karena rumusan matematis dari masalah penyeimbangan jalur perakitan telah dikembangkan. Namun, semua
keseimbangan garis oleh Salveson [18] Berbagai kegiatan penelitian telah pendekatan yang ditinjau memiliki batasan. Mengenai fleksibilitas,
dilakukan di bidang ini. Tugas utama penyeimbangan jalur perakitan pemodelan ketergantungan stokastik dari tugas perakitan merupakan
adalah untuk mengalokasikan tugas perakitan tertentu dan sumber daya kontribusi baru. Lebih lanjut, berkenaan dengan perubahan, dapat
yang diperlukan ke stasiun jalur perakitan, biasanya dengan tujuan dicatat bahwa upaya konfigurasi ulang penyeimbangan garis asosiasi
meminimalkan waktu siklus atau jumlah stasiun perakitan. Masalah dievaluasi dengan cara penilaian tambahan seperti indeks dan bukan
mendasar ini disebut dengan Simple Assembly Line Balancing Problem dengan biaya yang dihasilkan sebenarnya. Dengan demikian, juga
(SALBP) [19]. tidak ada evaluasi bottom-up dari biaya konfigurasi ulang berdasarkan
Namun, model SALBP tidak sesuai untuk memodelkan masalah alokasi ulang tugas dan peralatan yang dipertimbangkan. Akhirnya,
realistik dengan cukup detail. Alhasil, di wilayah penelitian General perlu dicatat bahwa tidak ada pendekatan yang memberikan evaluasi
Assembly Line Balancing Problem (GALBP) diterapkan perluasan dari terintegrasi dari trade-off antara biaya, fleksibilitas dan perubahan,
basic problem [10]. Ini termasuk ekstensi seperti perakitan beberapa
produk [12,20], stasiun paralel [15] atau beberapa pekerja per stasiun 3. Masalah pengoptimalan multi-tujuan
[21–23], dinamis [24,25], stokastik [26] dan kabur [27] waktu proses,
garis asynchronous tak bertingkat [28], pembatasan sumber daya [29] Pada bagian ini, deskripsi model optimasi multi-tujuan untuk
dan garis U [30–32]. desain penyeimbangan jalur perakitan yang dapat diubah dan
Demikian juga, pendekatan dapat diidentifikasi dalam literatur fleksibel berkaitan dengan skenario campuran varian yang berbeda s S
yang membahas fleksibilitas dan kemampuan perubahan diberikan. Fungsi tujuan disajikan secara individual dan kemudian
keseimbangan jalur perakitan. Dalam makalah ini, jalur perakitan digabungkan dalam vektor fungsi tujuan yang dilengkapi dengan
aliran varian difokuskan. Jika perakitan beberapa varian dilakukan kendala khusus masalah. Masalah yang harus dipecahkan dengan
dalam bentuk organisasi ini, fleksibilitas untuk memvariasikan bagian optimasi adalah identifikasi penyeimbangan jalur perakitan greenfield
dalam campuran varian adalah menguntungkan. Kemampuan ini untuk campuran varian tertentu. Skenario ini disebut skenario 0
disebut sebagai fleksibilitas campuran varian [33] dan kemudian (selanjutnya: s0). Selain itu, penyeimbangan garis harus menghasilkan
difokuskan. Penyeimbangan baris dari beberapa varian memerlukan biaya rendah sehubungan dengan yang ditentukan
grafik cedence [12]. Untuk perubahan dalam campuran varian
penggabungan grafik prioritas perakitan individual menjadi pra- penentuan waktu pemrosesan di (skenario sS
perakitan terpadu. 0) melalui fleksibilitas
industri otomotif, biasanya rata- dalam campuran varian mewakili
rata tertimbang dari waktu pendekatan lebih lanjut. Boysen
pemrosesan individu digunakan dengan ini menyajikan gambaran
[34]. Sebuah pendekatan untuk umum formulasi dan aplikasi
menghasilkan fleksibilitas [15]. Fisel dkk. menyajikan
campuran varian mengusulkan pendekatan yang, selain
penggunaan waktu pemrosesan perubahan yang diharapkan, juga
maksimum dari suatu varian memperhitungkan
daripada menggunakan nilai ketidakpastian yang disajikan
rata-rata [35]. Selain itu, oleh deviasi standar [36]. Alokasi
penggunaan premi waktu untuk tugas yang seimbang dengan
tugas perakitan berdasarkan tujuan fleksibilitas tinggi dari
perubahan yang diharapkan penyeimbangan garis dengan
15
J. F i sel , e t JournalofManufacturingSystem
AL. s53(2019)150–158
bagian varian yang berfluktuasi buffer atau realokasi tugas
juga menjadi subjek penelitian. perakitan yang hemat biaya.
Thomopoulos menyajikan Dengan pendekatan baru
pendekatan dasar, yang ini, ketidakpastian mengenai
bertujuan untuk pemerataan campuran varian di masa
waktu pemrosesan setiap varian depan sudah ditangani selama
[12]. Rachamadugu & Talbot perencanaan greenfield dari
[37] dan Yang et al. [38], di sisi penyeimbangan garis melalui
lain, menuntut pemerataan konsep fleksibilitas dan
pemanfaatan setiap stasiun kemampuan berubah.
perakitan. Pendekatan lebih Peningkatan substansial adalah
lanjut adalah menghindari integrasi biaya modifikasi garis
fluktuasi terkait varian [39], masa depan yang diharapkan
pemisahan sebagai hasil dari campuran
varian yang berubah.
Pendekatan yang ada gagal
untuk menangani trade-off ini
dari biaya, fleksibilitas, dan
perubahan sistem.
15
dibangun di. Demikian juga, biaya tempat kerja dihasilkan dari jumlah
total tempat kerja terbuka yj, k, s0 dan tingkat biayanya cwp (0). Biaya
peralatan- ment ditentukan oleh jumlah total sumber daya operasi yang
dibutuhkan rb, k, j, s0 dan tarif biaya spesifik dari setiap jenis peralatan
cinv, b (0).
fgc =
yk,s0 × cstat ( 0) + yj,k,s0 × cwp ( 0) rb,k,j,s0 × cinv,b (
k Ks0 Jk,s
0)
j + bB
0 (1)
fkalah,s = b,s
× ckalah,b ()
bB
(10)
Disintegrasi menggambarkan pemindahan peralatan dari sistem
fMenambahkan,s = stat,s × cstat () + yj,k × cwp ()
pertemuan aliran, sedangkan integrasi menjelaskan penambahannya.
k Ks |s 0 j 0 (11)
Jika peralatan yang dilepas akan dipindahkan, biaya pengangkutan qstat,s × Jk,s |s
diberlakukan. Organi-
perencanaan zasional dari realokasi tugas perakitan juga f= (f +f +f +f +f +f +f
menghasilkan
biaya yang tidak bergantung pada peralatan. Biaya ini dikelompokkan chplan ,sinv ,sdesinv.dll ,sint ,sdesint ,Strans ,slos
tS ,ss
dalam biaya perencanaan. Biaya implementasi tidak langsung dihasilkan
secara tidak langsung dari
+ fMenambahkan,s ) × ws (12)
proses perubahan dan disebut sebagai clost laba yang hilang.
Waktu yang diharapkan dari perubahan diperhitungkan saat
mengevaluasi kemampuan berubah. Biaya perubahan yang dihasilkan
oleh karena itu digambarkan sebagai fungsi dari titik waktu 3.5. NOTASI MASALAH PENGOPTIMALAN
perubahan c (). Persamaan.(4) - (12) menjelaskan fungsi f untuk
menentukan biaya bawahan masing-masing.
Dalam konteks ini, variabel qb, s menunjukkan perbedaan peralatan, Fungsi tujuan dijelaskan dalam beberapa bagian 3.2 untuk 3.4
dimana variabel biner pos, b, s menunjukkan bahwa peralatan tambahan mewakili masalah optimasi multi-tujuan dan dikelompokkan bersama
b diperlukan dan neg, b, s menunjukkan bahwa peralatan yang
dibutuhkan lebih sedikit. Itu dalam Persamaan.
(13) untuk membentuk vektor fungsi tujuan z.
fgc dalam skenario perlu ditentukan untuk digunakan dalam fungsi tujuan
min z (37). Untuk membatasi tempat kerja per stasiun, maks- imum yang
fmel
= diwakili oleh parameter WP tidak boleh dilampaui (38). Gambaran
entu
rkan
umum dari notasi yang digunakan diberikan dalam Lampiran A.1.
fch (13)
peralatan
atau b untuk tugas tertentu ke 0, dalam hal b tidak dimaksudkan saya,j,k,s h,j,k,s h,saya,j,k,s vr,s s
dibutuhkan oleh. Oleh karena itu, matriks dua dimensi Bmb, u, i dengan (21)
j=1
b,uB
telah disediakan secara eksternal yang menyatakan apakah peralatan
tipe b dapat diganti dengan jenis peralatan untuk tugas tertentu. Di sini, bmb,saya = 0 bB ; saya Bmb,u,saya =
dipastikan bahwa tepat satu dari semua kemungkinan pengganti Adalah | uB 0 (22)
digunakan untuk tugas(23).
Dengan prasyarat ini, model mengalokasikan peralatan perakitan Bmb,u,saya 1
ke bmu,saya = 1 bB ; saya
(23)tempat kerja sesuai dengan pengganti yang dipilih di Persamaan.
dengan menggunakan
Adalah |
variabel biner rb, j, k, s (24). Sekali lagi, jumlah yang cukup besar u B| (23)
uB
Bmb,u,saya=1
M > |Adalah bm × xM ×r 0 bB ; jJ ; kK ; sS
digunakan (24).
Metode ini memungkinkan untuk menyesuaikan keseimbangan garis b,saya saya,j,k,sb ,j,k,s ss
dengan skenario yang berbeda. saya s
Oleh karena itu, alokasi peralatan perakitan mungkin berubah sesuai saya
(24)
dengan skenario berbeda yang mengakibatkan disintegrasi dan
integrasi
biaya dalam fungsi tujuan, diaktifkan oleh variabel biner mdis, b, l, m, s dan
mint, b, j, k, s. Untuk semua skenario s s0 yang berbeda dari skenario awal s0 rb,j,k,s + mdes,b,l,m,s 1 bB ; jJ s0; l Js |l = j; k Ks0; m
(mdis, b, l, m, s = 1), dipastikan bahwa peralatan perakitan tidak lagi Ks |m = k; sS | ss 0
dialokasikan di tempat kerja sebelumnya j setelah dipindahkan ke tempat
kerja yang berbeda. (25). Begitu pula sebaliknya, Persamaan.(26) (25)
memastikan bahwa peralatan yang dipindahkan dialokasikan di tempat kerja ;k Ks; sS |ss
rb,j,k,s + mint,b,j,k,s b B; jJ s 0 (26)
baru, jika peralatan terintegrasi (mint, b, j, k, s = 1).
0
Variabel qb, s diatur dalam Persamaan. (27) dan mewakili perbedaan rb,j,k,s rb,j,k,s0 b B; j Js; k Ks; s S|ss0
j Jk,s
dalam k Ks j Jk,s k Ks0 0
total permintaan peralatan tipe b setelah perubahan skenario. Biner
variabel pos, b, s, neg, b, s dan eq, b, s menyatakan apakah selisih qb, s
qb,s = 0
positif, negatif atau nol (28-30). Mengikuti definisi tersebut, tepat satu
dari tiga variabel biner harus memiliki nilai(31). (27)
Jumlah realokasi fisik peralatan perakitan yang tidak diperoleh atau
dibuang tambahannya selama adaptasi ke a
skenario yang berbeda dimodelkan oleh variabel qtrans, b, s (32). Lebih rb,j,k,s0 pos,b,s rb,j,k,s bB ; sS |ss 0
modelnya 1j Jk,s0
melalui perbandingan timbal balik semua clost, b dan disimpan dalam k Ks × k Ks 0 j Jk,s0
(32)
( b,s + qtrans,b,s )( M× b,s × qtrans,b,s) 0 bB ; sS |ss 0
(33)
( b,s × lost,u × u,s
c ) ( b,s × lost,b × b,s
c ) 0
b B ; u B|u b;s S|s s0
Fig. 3. Scenarios for future line balancing changes.
(34)
=1
b,s sS |ss 0 constraints [52]. In this implementation of NSGA-II, the crossover op-
bB (35) erator for continuous problems is extended by a rounding rule for in-
yk,s tege problems. This type of reproduction is not suitable for assembly line
yk,s0 qstat,s = 0 k Ks; sS |ss 0
k Ks0 balancing problems, as this type of reproduction rounds off con- tinuous
k Ks (36)
variables, creating invalid solutions [53]. Therefore, the
( stat,s + qstat,s)( M× stat,s × qstat,s) 0 bB ; sS |ss 0 (37) crossover operator is replaced by the one-point crossover operator based
on Bäck et al. [54]. The computational complexity of the NSGA-II
yj,k,s WPk Ks; sS is O(MN²) where M in this context is the number of objectives and N
j Jk,s (38) the population size [55].
The results of the optimization problem contain a line balancing
configuration for each scenario and are therefore referred to as
4. Use case solution clusters. Fig. 4 shows the solution clusters with line balancing
solutions
The assembly line balancing is to be planned for a compact class 2High BEV40;60;04;4;035
3Multi Concept50;25;255;5;510
car with three different drive concepts based on real automotive
industry data, collected in the research project “Energieeffiziente und
flexibel industriell herstellbare Elektrofahrzeugantriebe (16EMO0064
K)”. The drive concepts contain an internal combustion engine (ICE),
battery electric vehicle (BEV) and a bivalent natural gas engine
(bNGV). The different drive concepts are realized by a conversion
design and ac- cordingly integrated into existing flow assembly line
systems if re- quired. However, this leads to partially heterogeneous
processing times and equipment requirements as well as to
completely different as- sembly tasks, mainly due to different
technical properties. The case study contains one hundred assembly
tasks and seven types of assembly equipment.
In order to define the required flexibility and changeability, it is
necessary to define the possible future market developments in the form
of scenarios. The presented use case is based on a current scenario s0
(low BEV) and three future scenarios s1 to s3 (focus ICE, high BEV, multi
concept). These scenarios are formalized by normal distributions as
representations of the shares in the model mix. Table 1 shows the
quantitative characteristics of the expected value in the model mix μ,
the standard deviation σ and the probability of occurrence P of the
scenarios presented .
The scenario s0 describes the model mix of the initial greenfield
planning, whereas the scenarios s1 to s3 represent alternative changes of
the line balancing. Taking into account the probabilities of occurrence
Ps, the scenario tree of the planning problem shown in Fig. 3 results.
The complete data basis including processing times of assembly tasks,
precedence constraints, car body access areas, assembly equip- ment
and costs can be found in [51]. Additionally, a detailed pre- sentation of
results is included.
The Non-dominated Sorting Genetic Algorithm II (NSGA-II) is used
according to Lin to calculate the solution clusters, since, in contrast to
MathWorks MATLAB’s implementation, it allows the usage of
Table 1
Planning scenarios of drive concepts (ICE; BEV; bNGV).
0Low BEV80;20;03;3;045
1Focus ICE100;0;00;0;010
for scenarios s0 to s3. In order to obtain a first evaluation of the solu- changing the line balancing from s0 to s1 or s2, no DIC or IIC occur from
tions, pareto fronts have been calculated. As shown, the solutions reallocating this equipment.
are assigned to ten different pareto fronts. A rational decision maker The presentation of the change costs focuses on TOC and DIC. For
should focus on solution clusters of the first pareto front. a detailed breakdown of all change costs, readers are referred to [51].
An exemplary detailed view on the solution cluster 47, which is part The physical relocation of equipment is evaluated by the TOC of the
of the first pareto front in Fig. 4, is given in Appendix A.2. A solution investment (inv) and disinvestment (disinv) as well as the DIC of
cluster contains a line balancing for each scenario s0 to s3. Within a line planning (plan), transport (trans), integration (int) and disintegration
balancing, the allocation of assembly tasks to a station and to one of its (disint). Fig. 4 shows solution clusters that each contain a line
two workplaces is shown by the number of the task (1 to 100). Also the balancing for scenarios 0, 1, 2 and 3 (see Fig. A.1). Change costs occur
allocation of equipment to a workplace is given in the row b by the when the assembly line balancing of scenario 0 is changed to the
numbers 1 to 7. A positive aspect is the equipment allocation, which is assembly line balancing of another scenario. Fig. 5 covers the change
displayed in Fig. A.1 in the row b for each workplace and every sce- costs TOC and DIC of all solution clusters shown in Fig. 4 and
nario. The industrial manipulator (b = 1) with a load suspension device describes their dis-
for a door (b = 2) or cockpit (b = 3) and the stationary screw tech- nology tribution by quantiles. This is applied for the changes from scenario 0 to 1
(b = 6) are the most cost intensive equipment regarding both the DIC (Fig. 5 s1), 0 to 2 (Fig. 5 s2), and 0 to 3(Fig. 5 s3). Here it is noticeable that
and the IIC [51]. As can be seen in Fig. A.1 allocation of the industrial comparatively high investment costs in the change to scenario s1 are not balanced by
manipulator with the load suspension device for doors (sta- tion 1 and
earnings from disinvestments, which implies an additional need for equipment. This also
2) is the same for scenarios s0, s1 and s2. Hereby it should be noted that
results in an imbalance in integration and disintegration costs. With regard to the DIC, the plan-
assembly tasks 1 and 2 in s3 cannot be allocated to a common station
ning costs represent the dominant cost driver in each scenario, whereby the planning effort in
due to the processing time constraints. The same applies to
equipment 1, 3 and 6 which is allocated to station 11. In case of the change to scenario s3 causes the highest costs.
Fig. 4. Pareto fronts as a result of the multi objective optimization problem.